[논문]Correction-Dead Reckoning using Map Matching Information in an Underground Parking Lot

Myung Hwan Seo; Jeeseon Kim; Sojin Park; Dongkwon Suh

doi:10.11003/jpnt.2023.12.4.391

Correction-Dead Reckoning using Map Matching Information in an Underground Parking Lot 원문보기

Journal of Positioning, Navigation, and Timing, v.12 no.4, 2023년, pp.391 - 398

Myung Hwan Seo (Hyundai AutoEver) , Jeeseon Kim (Hyundai AutoEver) , Sojin Park (Hyundai AutoEver) , Dongkwon Suh (Hyundai AutoEver)

Abstract ▼ AI-Helper

In this paper, we propose a Correction Dead Reckoning (CDR) solution using correction information such as Map Matching FeedBack (MMFB) in an underground parking lot. In order to correct position errors in an underground parking lot, vehicle position and heading errors are corrected using MMFB information in road link properties. The proposed method was applied to an in-vehicle navigation system and tested. The experimental results show that the proposed robust dead reckoning solution corrects Dead Reckoning (DR) position errors that occur when driving for a long time in an underground parking lot.

주제어

표/그림 (10)

그림 Fig. 1. Underground parking lot map displayed in navigation system.
그림 Fig. 2. Issue of DR position error in the underground parking lot.
그림 Fig. 3. Overview of MMFB information generation, (a) MMFB information, (b) Road link information in Hyundai department store Pangyo (B6).
그림 Fig. 4. Overview of the proposed CDR solution using map matching information.
표 Table 1. In-vehicle navigation specifications.
그림 Fig. 5. In-vehicle navigation installation and actual vehicle testing environment.
그림 Fig. 6. Test section for measuring positioning performance (Hyundai department store Pangyo).
그림 Fig. 7. Comparison of conventional DR and proposed CDR positioning performance in an underground parking lot (ccNC AVN, (a) Conventional DR result in scenario #1, (b) MMFB result in scenario #1, (c) Correction DR result in scenario #1).
그림 Fig. 8. Comparison of Conventional DR and proposed CDR positioning performance in an underground parking lot (STD5W AVN, (a) Conventional DR result in scenario #1, (b) MMFB result in scenario #1, (c) Correction DR result in scenario #1).
표 Table 2. Comparison of distance errors according to driving distance in an underground parking lot (Hyundai department store Pangyo), total driving distance 1.2 km.

AI 본문요약
AI-Helper

제안 방법

본 연구에서는 지하주차장에서 장시간 운행 시 발생되는 위치 오차 및 맵매칭 이탈 오류를 보정할 수 있는 MMFB 기반 보정 DR 솔루션에 대해 제안하였고, 해당 솔루션이 기존 DR 솔루션과 비교 시 다음과 같은 세가지 효과를 얻을 수 있음을 확인하였다. 첫번째로 지하주차장 내 나선형 구간 주행 후 발생되는 DR 헤딩 및 위치 오차를 MMFB 정보를 이용하여 DR 위치 오차 및 헤딩을 지속적으로 보정함으로써 맵매칭 이탈 오류를 개선하는 강점을 가진다.
이러한 기존 측위 보정 기술들은 시스템 제약 사항 및 실시간 처리 문제가 있어, 제안한 논문에서는 지연이 거의 없이 실시간 처리가 가능하며 주행 환경에 대한 신호 왜곡이 없는 지도 속성 정보인 Map Matching FeedBack (MMFB) 정보를 이용한 DR 오차 보정 기술을 제안한다. 제안한 MMFB 기반 보정 DR 성능 비교를 위해 차량 OEM 순정 내비게이션인 표준형 5세대 와이드 단말 및 connected car Navigation Cockpit (ccNC) 단말 시스템에 제안한 Correction Dead Reckoning (CDR) 알고리즘 적용하여 지하주차장 내 DR 위치 오차 보정 성능을 평가한다.
이러한 기존 측위 보정 기술들은 시스템 제약 사항 및 실시간 처리 문제가 있어, 제안한 논문에서는 지연이 거의 없이 실시간 처리가 가능하며 주행 환경에 대한 신호 왜곡이 없는 지도 속성 정보인 Map Matching FeedBack (MMFB) 정보를 이용한 DR 오차 보정 기술을 제안한다. 제안한 MMFB 기반 보정 DR 성능 비교를 위해 차량 OEM 순정 내비게이션인 표준형 5세대 와이드 단말 및 connected car Navigation Cockpit (ccNC) 단말 시스템에 제안한 Correction Dead Reckoning (CDR) 알고리즘 적용하여 지하주차장 내 DR 위치 오차 보정 성능을 평가한다.

대상 데이터

성능 평가는 Fig. 6과 같이 지하주차장 지도가 구축되어 있는 현대백화점 판교점 지하주차장 구간에서 진행하였다. 해당 구간은 지하 6층까지 지하주차장 지도가 구축되어 있으며, 주차장 진입과 진출 구간이 나선형으로 되어 있어 DR 위치 오차 및 맵매칭 이탈 이슈가 자주 발생하는 구간이다.
Table 2에서는 ccNC AVN 단말과 STD5W AVN 단말로 현대백화점 판교점 지하주차장 내 총 주행거리 1.2 km 주행 테스트 진행하였다. ccNC AVN의 경우 기존 DR은 평균 0.
ccNC AVN과 STD5W AVN을 시나리오 #2로 실차 테스트 진행하였고, 평가한 CDR 성능 결과는 Table 2에 나타나 있다. DR 오차의 경우 시간과 주행 거리당 누적되는 특성을 가지고 있어 측위 오차 보정 성능은 Eq.
제안한 MMFB 기반 보정 DR 솔루션을 차량 내비게이션 단말에 적용하여 실제 지하주차장 주행 평가를 통해 측위 보정 성능을 평가하였다. 평가 테스트에 사용한 차량 내비게이션 단말 사양은 Table 1과 같으며 STD5W와 ccNC AVN을 Fig. 5와 같이 각각 차량 내 설치하여 측위 성능 실차 평가를 진행하였다.

데이터처리

제안한 MMFB 기반 보정 DR 솔루션 성능을 평가하기 위해 현대백화점 판교점에서 아래와 같은 2가지 실차 시나리오로 테스트를 진행하였다.
제안한 MMFB 기반 보정 DR 솔루션을 차량 내비게이션 단말에 적용하여 실제 지하주차장 주행 평가를 통해 측위 보정 성능을 평가하였다. 평가 테스트에 사용한 차량 내비게이션 단말 사양은 Table 1과 같으며 STD5W와 ccNC AVN을 Fig.
지하 6층까지 나선형 주행 및 직진 주행 테스트 진행하였고, 기존 DR 모듈 출력과 제안한 CDR 출력 결과를 현대오토에버에서 제작한 루토맵에 표출하여 측위 성능 비교를 진행하였다. 참고로 층 판별은 맵매칭 모듈 내에서 수행되며 램프 및 회전 구간을 통해 층 이동 시 매칭되는 도로 링크 정보 확인 및 차량 위치가 층의 도로 링크에 매칭되는 것으로 진입층을 판단한다.

이론/모형

차량의 항법 정보 추정을 위해 Global Navigation Satellite System/Dead Reckoning (GNSS/DR) 복합 항법 알고리즘이 사용된다. GNSS/DR 복합 항법 알고리즘은 차량에 탑재된 차속계 (odometer)와 자이로스코프 (gyroscope)를 통해 위치를 추정하는 추측 항법과 위성 신호의 송수신에 의한 항법 정보를 제공하는 위성 항법 시스템의 서로 상호 보완적인 특성을 이용해 구성되며, 각 항법 알고리즘을 단독적으로 사용하는 것 보다 안정적인 항법 정보 추정이 가능하다.

성능/효과

다른 강점으로는 Fig. 8a를 보면 제안한 CDR 기반 MMFB 보정 정보가 기존 DR 모듈로 추가로 전달되어 기존 DR 모듈의 부정확한 위치 및 헤딩이 자체 보정되는 효과를 가질 수 있다. 참고로 CDR 알고리즘을 적용하지 않으면 기존 DR은 Fig.
29%의 오차 성능으로 위치 오차가 보정되는 것을 확인할 수 있다. STD5W AVN의 경우 기존 DR은 평균 3.1% 오차 성능을 보이지만 제안한 CDR 솔루션의 경우 평균 0.32%의 오차 성능으로 위치 오차가 보정되는 것을 확인할 수 있다. ccNC AVN의 경우 STD5W AVN 대비 위치 성능이 향상된 DR 모듈이 적용되어 있어 DR 성능 차이가 있으며 그로 인해 ccNC AVN 보다 STD5W AVN에서 CDR 솔루션 보정 효과가 큰 것을 확인할 수 있다.
32%의 오차 성능으로 위치 오차가 보정되는 것을 확인할 수 있다. ccNC AVN의 경우 STD5W AVN 대비 위치 성능이 향상된 DR 모듈이 적용되어 있어 DR 성능 차이가 있으며 그로 인해 ccNC AVN 보다 STD5W AVN에서 CDR 솔루션 보정 효과가 큰 것을 확인할 수 있다. 결론적으로 기존 DR 위치 정보에 MMFB 보정 정보를 적용함으로써 나선형 주행 시 발생되는 DR 위치 및 헤딩 오차를 보정하여 내차 위치에 대한 위치 정확도가 개선되는 것을 확인하였다.
2 km 주행 테스트 진행하였다. ccNC AVN의 경우 기존 DR은 평균 0.82% 오차 성능을 보이지만 제안한 CDR 솔루션의 경우 평균 0.29%의 오차 성능으로 위치 오차가 보정되는 것을 확인할 수 있다. STD5W AVN의 경우 기존 DR은 평균 3.
ccNC AVN의 경우 STD5W AVN 대비 위치 성능이 향상된 DR 모듈이 적용되어 있어 DR 성능 차이가 있으며 그로 인해 ccNC AVN 보다 STD5W AVN에서 CDR 솔루션 보정 효과가 큰 것을 확인할 수 있다. 결론적으로 기존 DR 위치 정보에 MMFB 보정 정보를 적용함으로써 나선형 주행 시 발생되는 DR 위치 및 헤딩 오차를 보정하여 내차 위치에 대한 위치 정확도가 개선되는 것을 확인하였다.
첫번째로 지하주차장 내 나선형 구간 주행 후 발생되는 DR 헤딩 및 위치 오차를 MMFB 정보를 이용하여 DR 위치 오차 및 헤딩을 지속적으로 보정함으로써 맵매칭 이탈 오류를 개선하는 강점을 가진다. 두번째로 보정된 CDR 위치 기반 MMFB 정보가 기존 DR 모듈에도 전달되어 기존 DR에서 발생되는 헤딩 오차 및 위치를 자체 보정함으로써 지하주차장 출차 시 기존 DR 궤적으로 도로링크에 오매칭 되는 오류를 개선할 수 있다. 마지막으로 지하주차장 내 주차 시 기존 DR의 경우 저속 상황에서 차속 환산계수 오차가 발생하여 주차구역을 벗어나는 오류가 발생하지만 CDR의 경우 MMFB 기반으로 위치를 보정함으로써 주차구역을 벗어나는 오류를 보정할 수 있다.
두번째로 보정된 CDR 위치 기반 MMFB 정보가 기존 DR 모듈에도 전달되어 기존 DR에서 발생되는 헤딩 오차 및 위치를 자체 보정함으로써 지하주차장 출차 시 기존 DR 궤적으로 도로링크에 오매칭 되는 오류를 개선할 수 있다. 마지막으로 지하주차장 내 주차 시 기존 DR의 경우 저속 상황에서 차속 환산계수 오차가 발생하여 주차구역을 벗어나는 오류가 발생하지만 CDR의 경우 MMFB 기반으로 위치를 보정함으로써 주차구역을 벗어나는 오류를 보정할 수 있다.
ccNC AVN의 경우 기존 DR 측위 성능과 제안한 CDR 측위 성능이 거의 동일하지만 지하주차장 내 후진 주차 시 기존 DR의 경우는 저속 상황에서 차속 환산계수 오차로 인해 내차 위치가 주차 구간을 벗어나며 위치 오차가 발생한다. 이 때 제안한 CDR의 경우 MMFB 위치 정보로 인해 후진 주차 시 차속 환산계수 오차 보정 가능하며 기존 DR 대비 주차 구간을 벗어나지 않게 내차 위치가 보정되는 것을 확인할 수 있다.
본 연구에서는 지하주차장에서 장시간 운행 시 발생되는 위치 오차 및 맵매칭 이탈 오류를 보정할 수 있는 MMFB 기반 보정 DR 솔루션에 대해 제안하였고, 해당 솔루션이 기존 DR 솔루션과 비교 시 다음과 같은 세가지 효과를 얻을 수 있음을 확인하였다. 첫번째로 지하주차장 내 나선형 구간 주행 후 발생되는 DR 헤딩 및 위치 오차를 MMFB 정보를 이용하여 DR 위치 오차 및 헤딩을 지속적으로 보정함으로써 맵매칭 이탈 오류를 개선하는 강점을 가진다. 두번째로 보정된 CDR 위치 기반 MMFB 정보가 기존 DR 모듈에도 전달되어 기존 DR에서 발생되는 헤딩 오차 및 위치를 자체 보정함으로써 지하주차장 출차 시 기존 DR 궤적으로 도로링크에 오매칭 되는 오류를 개선할 수 있다.

후속연구

해당 연구를 통해 지하주차장 내에서 MMFB 정보로 DR 오차가 보정되는 것을 확인하였지만 구축된 지도 면형 오차에 의해 부정확한 MMFB가 전달될 가능성이 있어 MMFB 오차 성분 검출 및 보정 예외처리에 대해 연구가 추가로 필요하며 현재 부정확한 MMFB에 대한 특성 파악 및 분석을 진행중에 있다.

참고문헌 (11)

Almansoub, Y. A. M., Zhong, M., Hu, Z., Huang, G., Alganess, M. A. A., et al. 2020, Multi-scale Vehicle？Localization in Underground Parking Lots by？Integration of Dead Reckoning, Wi-Fi and Vision, 6th？International Conference on Big Data Computing？and Communications (BIGCOM), Deqing, China,？24-25 July 2020, pp.41-49. https://doi.org/10.1109/BigCom51056.2020.00012
Dinh-Van, N., Nashashibi, F., Thanh-Huong, N., & Castelli,？E. 2017, Indoor Intelligent Vehicle localization using？WiFi received signal strength indicator, 2017 IEEE？MTT-S International Conference on Microwaves for？Intelligent Mobility (ICMIM), Nagoya, Japan, 19-21 March 2017, pp.33-36. https://doi.org/10.1109/ICMIM.2017.7918849
Jia, Y., Jin, Z., Zhang, H., Li, Y., Wang, X., et al. 2019, Indoor？Navigation for a Complex Parking Building Based on？Computer Vision, 2019 5th International Conference？on Transportation Information and Safety (ICTIS),？Liverpool, UK, 14-17 July 2019, pp.183-190. https://doi.org/10.1109/ICTIS.2019.8883716
Kim, S.-T., Fan, M., Jung, S.-W., & Ko, S.-J. 2021, External？Vehicle Positioning System Using Multiple Fish-Eye Surveillance Cameras for Indoor Parking Lots,？IEEE Systems Journal, 15, 5107-5118. https://doi.org/10.1109/JSYST.2020.3019296

상세보기
Kumar, A. K. T. R., Schaufele, B., Becker, D., Sawade, O.,？& Radusch, I. 2016, Indoor localization of vehicles？using Deep Learning, 2016 IEEE 17th International？Symposium on A World of Wireless, Mobile and？Multimedia Networks (WoWMoM), Coimbra, Portugal,？21-24 June 2016, pp.1-6. https://doi.org/10.1109/WoWMoM.2016.7523569
Lee, D., Min, K., & Kim, J. 2020, Wireless LAN-based Vehicle？Location Estimation in GPS Shading Environment, The？Journal of the Korea Institute of Intelligent Transport Systems,？19, 94-106. https://doi.org/10.12815/kits.2020.19.1.94

원문보기 상세보기
Park, W. J., Song, J. W., Kang, C. H., Lee, J. H., Seo, M. H.,？et al. 2019, MEMS 3D DR/GPS Integrated System for？Land Vehicle Application Robust to GPS Outages,？IEEE Access, 7, 73336-73348. https://doi.org/10.1109/ACCESS.2019.2920095

상세보기
Shin, B., Lee, J. H., Yu, C., Kim, C., & Lee, T. 2021,？Underground Parking Lot Navigation System Using？Long-Term Evolution Signal, Sensors, 21, 1725. https://doi.org/10.3390/s21051725

상세보기
Titterton, D. H. & Weston, J. L. 2004, Strapdown Inertial？Navigation Technology, 2nd ed. (U.K.: IET)
Xi, L., Liu, Q., Li, M., & Liu, Z. 2007, Map Matching？Algorithm and Its Application, Proceedings of the？2007 International Conference on Intelligent Systems？and Knowledge Engineering (ISKE 2007), Chengdu,？China, 15-16 October 2007, pp.740-746. https://doi.org/10.2991/iske.2007.127
Zhao, J., Huang, Y., He, X., Zhang, S., Ye, C., et al. 2019,？Visual Semantic Landmark-Based Robust Mapping and？Localization for Autonomous Indoor Parking, Sensors,？19, 161. https://doi.org/10.3390/s19010161

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증